@article { author = {Shahriari, Samad}, title = {A Survey on Decision Tree Algorithms of Classification in Data Mining The SSO Martyred-Workers Hospital – Yazd Province}, journal = {Social Security Journal}, volume = {17}, number = {2}, pages = {111-120}, year = {2021}, publisher = {Social Security Research Institute}, issn = {1563-0781}, eissn = {}, doi = {}, abstract = {Objective: Data mining consists of the science and techniques used to analyze data in order to discover and extract previously unknown patterns. It is also considered as a key part of the knowledge discovery process in databases. Our main goal is to build an efficient, high-precision classification model to improve efficiency and effectiveness.Method: In this paper, we introduce a supervised learning technique to create a decision tree for the survey data of the SSO Martyred-Workers Hospital in Yazd Province. The main goal is to build an efficient classification model with high accuracy to improve the efficiency and effectiveness of the admission process. To build the decision tree, we used the CART algorithm and the rpart package in the R programming language, and the final model was evaluated using common evaluation methods.Findings: The findings of this study showed special results with the help of which we were able to classify the available data, which is very important in managerial decisions.Conclusion: According to the result, the most important categories are (from the right) the first and third categories, respectively, because they comprise about 75% of our data.}, keywords = {Model evaluation,Data mining,decision tree,Classification}, title_fa = {طبقه‌بندی داده‌های نظرسنجی بیمارستان تأمین اجتماعی شهدای کارگر یزد با الگوریتم درخت تصمیم}, abstract_fa = {هدف: داده‌کاوی علم و تکنیک‌هایی است که برای تجزیه‌وتحلیل داده‌ها به‌منظور کشف و استخراج الگوهای ناشناختۀ قبلی استفاده می‌شود. همچنین، به‌عنوان بخش اصلی فرآیند کشف دانش در پایگاه‌های داده در نظر گرفته می‌شود. هدف اصلی ما ساخت یک مدل طبقه‌بندی کارآمد با دقت بالا برای بهبود کارایی و اثربخشی است.روش: در این مقاله یک تکنیک یادگیری نظارت‌شده به‌منظور ایجاد یک درخت تصمیم برای داده‌های نظرسنجی بیمارستان تأمین اجتماعی شهدای کارگر یزد معرفی می‌کنیم. هدف اصلی ساخت یک مدل طبقه‌بندی کارآمد با دقت بالا برای بهبود کارایی و اثربخشی فرآیند پذیرش است. برای ساخت درخت تصمیم از الگوریتم CART و بسته rpart موجود در زبان برنامه‌نویسی R استفاده شده است و مدل نهایی با استفاده از روش‌های رایج ارزیابی، ارزیابی شد.نتیجه: طبق نتیجۀ به دست آمده، مهم‌ترین طبقه (از سمت راست) طبقۀ اول است؛ زیرا حدود 84 درصد از داده‌ها را شامل می‌شود. این طبقه نشان می‌دهد که اگر میزان رضایت از پزشک بزرگتر یا مساوری 3 و همچنین، میزان رضایت از کارکنان پذیرش بزرگتر یا مساوی 4 باشد، 84 درصد از مراجعه‌کنندگان در صورت نیاز، مجدداً به بیمارستان مراجعه می‌کنند. }, keywords_fa = {ارزیابی مدل,داده‌کاوی,درخت تصمیم,طبقه‌بندی}, url = {https://qjo.ssor.ir/article_153072.html}, eprint = {https://qjo.ssor.ir/article_153072_05b73250570edcc01af91de2fb2a3ab6.pdf} }